استفاده از lstm, GRUیاRNN

شرح پروژه

بروزه پایانی:

تحلیل احساسات چندمنیعی با استفاده از داده‌های متنی و صوتی داخلی و مدل‌های بلکه‌گیری عمیق (GRU و LSTM ،RNN)

مقدمه

صدی این پروژه ساخت مدل بلکه‌گیری عمیق است که بتواند احساسات کاربران را با استفاده از داده‌های متنی و صوتی جمع‌آوری شده از منابع داخلی ایران پیش‌بینی کند. دانشجو باید توانمندی خود را در کاربرد عملی بلکه‌گیری عمیق چندمنیعی، پردازش داده‌های متنی و صوتی، و طراحی مدل‌های LSTM ، و GRU نشان دهد.

شرح پروژه

بخش 1: جمع‌آوری داده‌های چندمنیع

- داده‌های متنی:
  - دانشجو باید حداقل 5000 کاشت، نظر یا پست متنی مرتبط با موضوعات موردنظر را از سایت‌های خبری داخلی (مانند لیسان، مهر، اقتصاد آنالین) یا شبکه‌های اجتماعی داخلی جمع‌آوری کند.
  - برای تسهیل کار می‌توانند از دیگارت‌های آماده یا فایل‌های استخراج شده نیز استفاده کنند، به شرط آنکه کیفیت و ارتباط داده‌ها حفظ شود.

داده‌ها باید دارای برچسب زمانی باشند تا احکان هم‌زمان‌سازی با داده‌های صوتی فراهم گردد.

- داده‌های صوتی:
  - دانشجو باید حداقل 500 فایل صوتی کوتاه (هر فایل ما تا 50 ثانیه) مرتبط با موضوعات مشخص را از منابع عمومی مانند آرشیو یا دکست‌های داخلی (رادیو جوان، رادیو تهران)، کانال‌های پادکست یا فایل‌های صوتی آموزشی دانلود کند.
  - فایل‌های صوتی باید بخش‌بندی شده و دارای برچسب زمانی دقیق باشند تا بتوان آن‌ها را با داده‌های متنی ست کرد.
  - استفاده از نرم‌افزار‌های ساده مانند برنامه‌نامه Audacity برای بخش‌بندی فایل‌ها مجاز است و نیاز به کارهای پیچیده فنی نیست.

- ابزار‌های جمع‌آوری:
  - جمع‌آوری داده‌ها ترجیحاً با استفاده از ابزار‌های وباسکریینگ انجام شود، اما در صورت محدودیت می‌توان بخشی از داده‌ها را به صورت دستی جمع‌آوری کرد.

---

### بخش 2: پیش‌پردازش و آماده‌سازی داده‌ها

- پاکسازی داده‌های متنی (حذف نوین، نرمال‌سازی، توکنیزه کردن)
  - استخراج ویژگی‌های صوتی با استفاده از کتابخانه‌هایی مانند Libroscu
  - برچسب‌گذاری احساسات (عثبت، منفی، خنثی) با استفاده از دیتاست‌های برچسب‌دار آماده در صورت دسترس
  - ست کردن داده‌های صوتی و متنی بر اساس زمان و آماده‌سازی داده‌های چندورودی برای مدل

---

### بخش 3: طراحی مدل چندورودی (Multi-Input Model)

- بخش پردازش داده‌های صوتی:
- استفادة از لایه‌های RNN ساده، LSTM یا GRU برای یادگیری ویژگی‌های ترتیبی از داده‌های صوتی (مثالً توالی‌های استخراج شده از اسپکتروگرام یا فیچرهای صوتی).
- همچنین می‌توان ترکیب CNN+RNN/LSTM را برای استخراج ویژگی‌های محلی و ترتیبی به کار برد.
- بخش پردازش داده‌های متنی:
  - توکنیزه کردن متن، Embedding.
  - استفاده از لایه‌های CRU یا GRU برای پردازش توالی‌های متنی.
  - ترکیب خروجی دو بخش در لایه‌های Dense برای پیش‌بینی احساسات.
  - استفاده از تکنیک‌های بهبود مدل مانند Dropout، BatchNormalization...

---

### بخش 4: آموزش و ارزیابی مدل

- آموزش مدل با داده‌های جمع‌آوری شده
  - ارزیابی مدل با معیار‌های مناسب تحلیل احساسات (مانند Accuracy) و F1-score.
  - رسم نمودار‌های عملکرد مدل و تحلیل نتایج.

---

### بخش 5: تحلیل و مستندسازی

- تحلیل تأثیر هر منبع داده (متن و صوت) بر دقت مدل با حذف هر بخش
  - ارائه گزارش کامل شامل شرح مراحل جمع‌آوری داده، پیش‌پردازش، طراحی مدل، نتایج و تحلیل‌ها
  - بحث درباره چالش‌ها و راهکارهای بهبود مدل

نکات مهم

- تعدادی مراحل باید توسط خود دانشجو کدنویسی و اجرا شود و کیپبرداری مستقیم از کدهای آماده بدون درک کامل مجاز نیست.

- دانشجو می‌تواند برای کمک گرفتن از ابزارهای حرفش مصنوعی مانند چین‌باعث استفاده کند، اما باید تعدادی مفاهیم و مراحل باید طور دقیق بفهمد و بتواند به صورت مستقل مفاهیم و کدها را شرح اصالح و در زمان ارائه اجرا کند.

- داده‌ها باید توسط دانشجو جمع‌آوری و ست (حمکام) شوند.

- پروژه تلفیقی از مهارت‌های وباسکربینگ، پردازش داده عددی و متنی، و یادگیری عمیق است.

- در پروژه‌های گروهی، وظایف هر عضو تیم باید به صورت واضح و مشخص تعریف شود تا همکاری مؤثر و پیشرفت منظم پروژه تضمین گردد.

- ارائه پروژه به‌صورت ضروری برگزار خواهد شد و حضور فعال و کامل تعدادی اعضای ارائه دهنده در جلسه الزامی است.

- تأکید بر تحلیل دقیق نتایج و مستندسازی کامل وجود دارد.

با‌آزوی موفقیت برای شما عزیزان

این پروژه شامل 1 فایل مهم است، لطفا قبل از ارسال پیشنهاد حتما نسبت به بررسی این فایل اقدام فرمایید.

مهارت ها و تخصص های مورد نیاز

درباره کارفرما

کاربر395589

عضویت دو سال پیش

7 پروژه ثبت شده ،

2 پروژه در حال انجام ،

0 پروژه آماده دریافت پیشنهاد ،

نرخ پذیرش پیشنهاد 57%